شناسایی و کنترل عملکرد شبکه‌های بین‌خودرویی (VANET) در مسیرهای بین‌شهری ایران: مطالعه موردی مسیر تهران–رشت

نویسندگان
حسین حسینی علایی
آزاده طرهانی
مدیریت فناوری اطلاعات، دانشگاه خوارزمی، تهران، ایران -- مهندسی نرم افزار، تهران جنوب دانشگاه آزاد
چکیده
رشد شبکه‌های بین‌خودرویی (VANET) به‌عنوان یکی از زیرساخت‌های اصلی سامانه‌های حمل‌ونقل هوشمند (ITS) موجب تحول در ایمنی و مدیریت ترافیک جاده‌ای شده است. با این حال، عملکرد این شبکه‌ها تحت تأثیر عوامل متعددی نظیر تراکم ترافیک، فاصله میان تجهیزات کنار جاده‌ای (RSU)، توان سیگنال، و نرخ تحویل بسته قرار دارد. هدف این پژوهش، تحلیل داده‌محور عوامل مؤثر بر عملکرد شبکه‌های بین‌خودرویی در مسیر بین‌شهری تهران–رشت است. برای این منظور، داده‌های واقعی مسیر مذکور از منظر شاخص‌هایی چون تأخیر پیام، نرخ از دست‌رفت بسته‌ها، توان سیگنال و چگالی خودروها گردآوری شد و با استفاده از نرم‌افزار MATLAB مورد تحلیل قرار گرفت. نتایج نشان داد که تراکم ترافیک و فاصله بین RSUها بیشترین تأثیر را بر کاهش کیفیت شبکه دارند؛ به‌گونه‌ای که با افزایش فاصله RSUها از ۱٫۸ به ۲٫۴ کیلومتر، نرخ تحویل بسته‌ها تا ۱۵ درصد کاهش یافت. همچنین مشاهده شد که توان سیگنال بالاتر از ۹۰ دسی‌بل موجب کاهش میانگین تأخیر پیام به کمتر از ۹۵ میلی‌ثانیه می‌شود. یافته‌ها نشان می‌دهد که برای افزایش پایداری شبکه‌های VANET در مسیرهای بین‌شهری ایران، لازم است تراکم مکانی RSUها متناسب با چگالی ترافیک و شرایط جغرافیایی مسیر تنظیم گردد.
کلیدواژه‌ها
شبکه‌های بین‌خودرویی، VANET، تجهیزات کنار جاده‌ای، عملکرد شبکه، نرخ تحویل بسته
  • [1] C. Serra-Toro, V. Javier Traver, and F. Pla, "ExploringSome Practical Issues of SVM+: Is Really PrivilegedInformation that Helps," Pattern Recogn. Lett., pp. 40-46,2014.
  • [2] M. Lapin, M. Hein, and B. Schiele, "Learning UsingPrivileged Information: SVM+ and Weighted SVM," NeuralNetworks, vol. 53, pp. 95–108, 2014.
  • [3] J. Feyereisl, and U. Aickelin, "Privileged Information forData Clustering," Information Sciences, vol. 194, pp. 4–23,2012.
  • [4] D. Pechyony, and V. Vapnik, Fast OptimizationAlgorithms for Solving SVM+, in Statistical Learning andData Science, Chapman and Hall/CRC, 2011, ch. 3, pp.27-42.
  • [5] D. Pechyony, and V. Vapnik, "On the Theory of Learningwith Privileged Information," Proc. NIPS, pp. 1894–1902,2010.
  • [6] D. Bollegala, Y. Matsuo, and M. Ishizuka, "A WebSearch Engine-based Approach to Measure SemanticsSimilarity between Words," IEEE Trans. Knowl. Data Eng.vol. 23, pp, 977–990, 2011.
  • [7] M. M. Rahman, S. K. Antani, and G. R. Thoma, "ALearning-based Similarity Fusion and Filtering Approach forBiomedical Image Retrieval using SVM Classification andRelevance Feedback," IEEE Trans. Inf. Technol. Biomed.vol. 15, pp. 640–646, 2011.
  • [8] C.-C. Chang, and C.-J. Lin, "LIBSVM: a Library forSupport Vector Machines," ACM Trans. Intell. Syst.Technol. vol. 2, 2011.
  • [9] B. Ribeiro, C. Silva, A. Vieira, A. Gaspar-Cunha, and J.das Neves, "Financial Distress Model Prediction usingSVM+," Proc. IJCNN, pp. 1–7, 2010.
  • [10] D. Pascual, F. Pla, and J. S. Sanchez, "ClusterValidation Using Information Stability Measures," PatternRecogn. Lett., vol. 31, pp. 454–461, 2010.
  • [11] D. Pechyony, R. Izmailov, A. Vashist, and V. Vapnik,
  • "SMO-style Algorithms for Learning using PrivilegedInformation," Proc. Int. Conf. Data Mining, pp. 235–241,2010.
  • [12] F. Chang, C. Y. Guo, X. R. Lin, and C. J. Lu, "TreeDecomposition for Large-scale SVM Problems," J. Mach.Learn. Res., vol. 11, pp. 2935–2972, 2010.
  • [13] O. Amayri, andN. Bouguila, "A Study of Spam Filteringusing Support Vector Machines," Artif. Intel. Rev., vol. 34,pp. 73–108, 2010.
  • [14] V. Vapnik, and A. Vashist, "A New Learning Paradigm:Learning using Privileged Information," Neural Networks,vol. 22, pp. 544–557, 2009.
  • [15] V. Vapnik, A. Vashist, and N. Pavlovitch, Learningusing Hidden Information: Master-class Learning, Proc.NATO Workshop on Mining Massive Data Sets for Security,pp. 3–14, 2008.
  • [16] L. Liang, and V. Cherkassky, "Connection betweenSVM+ and Multi-task Learning," Proc. International JointConference on Neural Networks, pp. 2048–2054, 2008.
علوم رایانش و فناوری اطلاعات
دوره 13، شماره 1
بهار و تابستان
بهار 1394